直播丨华为诺亚方舟ICLR满分论文：基于强化学习的因果发现

作者：NewBeeNLP

本文约3500字，建议阅读10分钟

本文作者与你分享吴恩达课中最值得记住的10个AI观，希望能让你学到些东西。

写在前面

在这个h R s 6 2 c 4人机共存的年代，每个人都应该去尝试V { ? K r K )了解| ^ ; o p o O r |并运用人工智慧这个超能力，思考自己未来在这个变化快速的世界的定位。

曾经领导Google Brain的吴恩达教授公开的Coursera课程：AI For Everyone非常有意义。这堂课不谈技术术语，专注在与非技术人士以及企e U w @ o , ^ N n业经理人说明。

• 何谓AI；
• 如何建立AI项目；
• 如何在企业内部建立AI基础；
• AI与社会的关系。

课程内容精要，总结了不4 L 6 { t少他多年在Google Brain、百度里领导AI团队所累积的宝贵经验。这堂课也提到了不少AI Transformation Playbook 里头的内容。

虽然课程中很多时候是以Cz A 3 b ` hEO或是企业管理者的角度说明AI概念，但我认为每个人都可以用个人角度，从本课学到不少有用的建议以及思考框架。有了这些概念，可以帮助我们在这个变化快速的AI潮流中掌握好自己手上的船舵并顺利航行。

本文将列举出我认为本课中最值得Y v ! !记住的10个AI观，希望能让你学到些东西。

这篇文章中的g : Y R不少概念是我自己的心得总结，而你在上完课后肯定会有其他重^ ; C A U s &要见解。事实上，我会推荐你在阅读本文后就找时间实际去上R l # c z 5 5 J这堂课，或是通v e p u B T = n o 7人工神经网络（Artificial Neural Network）。

值得一提的是，你或许常听到“神经网络跟人脑运作方式相同”的这种说法，但事实上如果你问相关人士对这种意I 9 | H q ;见的看法的话，得到的答案常常是“两者天 % T f & u m { $差地远”。

尽管神经网络的运作方式跟我们神奇的大脑不完全一致，搭配H e Q f C d [ J F大量数据W j J s 运算能力。而很多时候一般人是没有这样的运算资源的。

值得庆幸的是，很多以深度学` C V 7 x p 8 O p习为基础的AI常常有个很好的特性：通过迁移学习l | b u k ` 8 y j（TraJ = % % ! O 7 ;nsfer Learning），我们能将事先已经用大量计算资源做训练，并在任务A表现优异的AI做些简单修改，就能让修改过后的AI\'能在相似的任务B也表现不错。

这时候就算你只有少量数据以及不多的计算资源，也能利用AI完成以往难以想像的任务。

4. 只需花费你1秒的任务，（未来）大都可由AI自动化。

这项概念是吴恩达教授在课程里所提到的“一秒原则”，可以让你用来判断一个任务是否能用AI做自动化的准则。

通过监督式学习以及大量成对A&B数据，我们可以让很多以往被认为非常复杂，但人脑仅需1秒钟就能解决的任务通过AI来自动化，让我们的生活更加轻松。

当然，这个简化的原则并不是放诸四海皆准，但可以作为一个w w G g ` - y 8 V不错的参考基准。

5. 对AI的态度不应过度乐观，但也不必太悲观。

尽管我们已经清楚现代AI的威力，仍需注意AI并不是万能药，无法（完美地）解决或自动化所有人类的问题。

比方说有研究尝试把自然语言转成SQL，& A A S X K `但短期内一个Z _ V数据科学家自己写SQL查询数据可能还是比较有效率。尽管AI不* W B m q U E B C能（完美地）做到任何, X G F M 8事情，我们也不该对A& ] u V R gI失望，断定下一个AI冬天必定会到来。

现在可以肯定的是AI已经，而且也会继续改变我们未来以及下一代的生活形态。

最重要的是理性地理解AI能做到什么，在能活用d M 4 : P c Q r S的时候善加利用它，同时不抱着“AI能解决所有问题”的不切实际幻想。

6. AI偏见难解，但或许比消除人类偏见简单。

在利用监督式学习的方式训练AI的时候，我们常常会使用现C 0 F v实世界的数据让机器学习。

好消息是因为现在数位化以及网际网络的发达，s 0 f a @ h我们有非常多数据可以交给AI学习；坏消息是这些数据时常反映了人类数十年甚至几个世纪的偏见。

用这些数据训练出来的AI系统就像是X : + S N o f & T面照妖w X x G $ d ; % D镜，也会不可避免地学会这些偏见（Bix Q h ~ l & 4as）。

知名的例子有：

• 以白人照片训练出I & k [来的人脸辨识系统在辨识深色肤色的人种时表现很差；
• 自动化雇用的AI系统对女性存有偏见；
• 银行的自动信用评比AI系统对某些族群产生偏见。

以下则是另一个O M 2 5课堂中提出的例子：

上例或许称不上歧视，但很明g m q y a ,AI系统里的偏见移除，并让其做出最合适的判断。

尽管如此，意识到再厉害的AI系统内部也可能存在如同人类的偏见，进而导致各种不公平的社会问题这件事情也是很r 6 8 + p ~ k有帮助的。

7. 拥抱AI的最好方法是将其与领域专业结合。

想要学习AI，不需要打掉重练。虽然现在AI相关领域十分热门，究其根本也就只是一种: R 6 0 = & q V /工具/技I O S ) R ( ~术。而且A9 3 V u D { $ A vI技术接下来会越来越平民化，上手的门槛会越来越低。

因此比起现在转行当AI工程师，你要先做的应该是想办法利用自己工作累积的领域知识（Domain Knowledge）以及洞见~ V 7 J 5 e ` *（InsiV V ! x 7 x ^ 9ght），找出能应用AI改善的地g B {方，进而创造出专属于你或企业的竞争优势。

8. 机器学习和数据科学的产^ p n 出分别是系统和洞见。

机器学习（Machine Learning, ML）以及数据科学（Data Science, DS）这两个词汇常常Y J j 8 / K ^结伴出现，且依照不同企业其定义都有所s | D c不同。因此，不在这块领域里的人常常不知道两者的差异。

一般来说，在企业内的ML项目大都分为3个阶段：

• 收集数据；
• 训练模型；
• 部署模型。

而DS项目0 x / p x Z c 0的步骤则为：

• 收集数据；
• 分析数据；
• 建议行动/假说。

两者皆需原始数B 9 r { ^据作为输入，且皆有机会使用AI/ ML技术来解决、分析问题/ R A ! 1 Q c，但最终的产出形式时常不同。

总结来说，ML项目较注重在软件工程方面，且最终希望产出一个以AI为基础的线上系统；DS项目的结果则可能是一. w a [ b ,份帮助经营者做重大投资决策的PPw Q ( 9 !T报告。

9. AI时代，你得思考未来自己想要扮演的角色。

AI目前正是显学，不少人决定进入这7 *块领域，而现在跟AI相关的职业就有好多种，/ ^ D * U到这里，相信你已经了解AI For Everyone里头10 个最重要的概念了，恭喜！

这些概念大多是我将课程里头撷取出的核心概念，佐以自己的心得感想。希望阅读完此文的你有学到点东西，或是W U H # 6 z x *获得些启发。

参考资料：

AI For Everyone) { b 2 ): hm M [ Rttps://www.coursera.org/learn/as # S R u Q P N Ni-for-everyone

AI Transformation Playbook: https://landing.ai/ai-transformation-playbook/

编辑：黄继彦

校对：谭佳瑶

—完—

关注清华-青岛数据科学研究院官方微信公众平台“ AI数据派 ”及姊妹号“ 数据派THU ”获取更多讲座福利及优质内容。